保持拓扑连通的有限时间有界聚集控制

针对个体动态为一阶积分器的多智能体网络,在有界控制输入情况下,研究保持拓扑连通的有限时间聚集控制问题。基于网络误差设计有界控制协议,采用代数图论、矩阵理论及非光滑分析中的不变集原理,通过引入约束函数方法设计控制协议,使多智能体网络保持拓扑连通,并实现有限时间聚集控制。仿真实验表明,文中控制协议采用的算法可实现初始拓扑连通的无向网络的有限时间有界聚集控制。该研究结果为多智能体网络有限时间有界聚集控制提供新的思路。     

利用车辆轨迹数据提取道路网络的几何特征与精度分析

 电子地图数据是各种智能交通系统的基础数据,对方便人们交通出行、解决城市交通拥堵问题具有重要的意义。其中,道路网络数据又是电子地图的重要组成部分。传统的道路网络数据更新方法往往需要耗费大量人力物力,因此,从其他数据源中如遥感影像数据、LIDAR数据等提取道路网络的相关研究,已成为国内外的研究重点。车载定位设备的广泛应用使车辆轨迹数据的大量获取成为可能,轨迹数据是对车辆行驶路径的完整记录,同时也是道路网络几何特征的直接反映。当轨迹数据量足够大时,则可利用其构建路网,用于更新或修正现有地图上的路网空间信息。针对车辆轨迹数据的特点和道路网络的特性,本文提出一种细化的道路网络几何特征提取方法。车辆轨迹数据是矢量数据,将其转换为栅格数据后,就可采用图像细化的方法处理。图像细化可以在保持原图像拓扑结构不变的情况下,快速地提取出图像的中心像元,并且有效去除冗余信息。本文以上海陆家嘴的车辆轨迹数据为例进行了实验,结果表明,利用车辆轨迹数据构建路网不仅可行,而且简单、高效,取得了良好的效果。     

导航地理框架数据建模与实现技术初探——基于基础地理数据的道路网络构建

导航地理框架数据是导航地理数据的基础,是集成导航应用的交通信息与服务信息的空间定位框架。导航地理框架数据的特点在于描述与表达道路网络的连通关系。它在表达和组织方式方面与传统的基础地理数据有较大区别。本文通过分析现有基础地理数据中道路信息表达的特点,研究了导航地理框架数据的内容与拓扑表达,提出了基于基础地理数据的导航地理框架数据道路网络构建方法。     

一种基于路网等级启发式策略的路径搜索算法

本文提出了一种基于路网等级启发式策略的路径搜索算法。通过引入考虑路网等级因素的代价评估函数,有目的地引导搜索过程考虑路网道路等级特征,限制路径搜索规模,在精度可控的前提下,大幅度提高时间最短路径算法的效率,并使得搜索路径结果更符合心理认知过程。其与经典的层次空间推理算法相比,本文提出的算法实现过程简单,效率和精度相似。理论分析和实验过程验证了本文所提出算法的有效性。     

基于多密度聚类算法的路网提取

随着GPS等定位系统的迅速发展,使得路网提取有了新的发展方向,然而目前利用浮动车GPS轨迹数据提取路网的方法层出不穷,但是提取效果却并不能尽如人意。本文将基于网格密度因子的多密度聚类算法引入路网提取,通过该方法对疑似特征点进行聚类来提取道路特征点,来构建道路几何网络,并通过对比分析取得了不错的实验结果。     

城市路网信息融合的关键技术

目前,我国各大城市交通信息采集和传输问题已基本解决。但是,交通信息与路网空间信息的匹配和融合问题却依然严重,使得大量的实时路况信息难以得到有效应用,成为制约城市路网管理和出行服务的技术瓶颈,直接影响车载导航系统、公众出行信息平台、物流运输系统等位置服务(LBS)与智能交通系统(ITS)应用的服务水平。鉴此,本文探讨了城市路网信息融合的内涵和特征,及其关键技术,包括线性参考系统与空间信息融合、时空动态分段和多级动态分段、多模式交通网络构建技术和动态连通关系自动生成等技术问题,并提出了相应的解决方案。     

面向高分遥感影像道路提取的轻量级双注意力和特征补偿残差网络模型

针对高分辨率遥感影像背景复杂,道路提取容易受阴影、建筑物和铁路等背景信息干扰的问题,提出一种带有轻量级双注意力和特征补偿机制的DAFCResUnet模型。该模型在ResUnet的基础上,通过增加轻量级的双注意力和特征补偿模块实现模型在性能和时空复杂度上的平衡。其中,双注意力模块可以增强模型的特征提取能力,特征补偿模块可以融合网络中来自深浅层的道路特征。在DeepGlobe和GF-2道路数据集上的实验结果表明,DAFCResUnet模型的IoU和F1-score可以达到0.6713、0.8033和0.7402、0.8507,模型的整体精度优于U-Net、ResUnet和VNet模型。与U-Net和ResUnet模型相比,DAFCResUnet模型仅增加了少量的计算量和参数量,但IoU和F1-score均有较大幅度的提高;与VNet模型相比,DAFCResUnet模型在计算量和参数量远低于VNet的情况下取得了更高的精度,模型在精度和时空复杂度两方面均有优势。相比其他对比模型,DAFCResUnet模型具有更强的特征提取和抗干扰能力,能更好解决道路上的干扰物、与道路特征相似地物、树荫或阴影...